ก่อนหน้านี้คุณพบโมเดลการแยกประเภทไบนารี
ที่สามารถเลือกระหว่าง 2 ตัวเลือกที่เป็นไปได้ เช่น
- อีเมลที่ระบุเป็นสแปมหรือไม่ใช่สแปม
- เนื้องอกที่ระบุเป็นเนื้องอกหรือเป็นอันตราย
ในโมดูลนี้ เราจะตรวจสอบการจัดประเภทหลายชั้นเรียนซึ่งมีให้เลือกหลายตัวเลือก เช่น
- สุนัขพันธุ์นี้เป็นสุนัขบีเกิ้ล บาสเซ็ตฮาวด์ หรือสุนัขล่าเนื้อ
- ดอกไม้นี้คือไซบีเรียไอริส ดัตช์ไอริส บลูแฟล็กไอริส หรือไอริชเคราด์ไอริส
- เครื่องบินลํานี้ชื่อ Boeing 747, Airbus 320, Boeing 777 หรือ Embraer 190 ใช่ไหม
- รูปนี้คือแอปเปิ้ล หมี ลูกอม สุนัข หรือไข่
โจทย์หลายคลาสในชีวิตจริงบางอย่างเกี่ยวข้องกับการเลือกชั้นเรียนต่างๆ มากมาย ตัวอย่างเช่น ลองพิจารณาใช้โมเดลการจัดประเภทแบบหลายคลาส
ที่สามารถระบุรูปภาพได้เกือบทุกอย่าง
โครงข่ายระบบประสาทเทียมแบบหลายคลาส
หากมีมากกว่า 2 ชั้นเรียน
- การถดถอยแบบโลจิสติกส์มอบความน่าจะเป็นที่มีประโยชน์สําหรับปัญหาแบบไบนารี
- สแปม / ไม่ใช่สแปม
- คลิก / ไม่ใช่คลิก
- แล้วปัญหาเกี่ยวกับหลายชั้นเรียนล่ะ
- แอปเปิ้ล, กล้วย, รถ, หทัยวิทยา, ..., ป้ายเดิน, ม้าลาย, สวนสัตว์
- แดง, ส้ม, เหลือง, เขียว, น้ําเงิน, คราม, ม่วง
- สัตว์ ผัก แร่
One-Vs-All-Class
- สร้างเอาต์พุตที่ไม่ซ้ํากันสําหรับแต่ละชั้นเรียนที่เป็นไปได้
- ฝึกฝนโดยส่งสัญญาณ ""my class" vs "ชั้นเรียนอื่นๆ ทั้งหมด"
- สามารถทําในเครือข่ายที่ลึกหรือโมเดลที่แยกกัน
SoftMax แบบหลายคลาส
- เพิ่มข้อจํากัดเพิ่มเติม: จําเป็นต้องมีเอาต์พุตของโหนดแบบ 1 เทียบกับทั้งหมดทั้งหมดเพื่อรวมเป็น 1.0
- ข้อจํากัดเพิ่มเติมช่วยให้ฝึกอบรมได้อย่างรวดเร็ว
- นอกจากนี้ ยังสามารถตีความเอาต์พุตเป็นความน่าจะเป็น
กรณีที่ควรใช้
- การจัดประเภทแบบหลายหมวดหมู่ ป้ายกํากับเดียว:
- เช่น อาจเป็นสมาชิกเพียงชั้นเรียนเดียว
- จุดแข็งที่คลาสไม่มีค่าร่วมก็ถือว่าเป็นโครงสร้างที่มีประโยชน์
- ซึ่งจะช่วยเข้ารหัสการสูญเสียได้
- ใช้ SoftMax Lost กับคลาสที่เป็นไปได้ทั้งหมด
- การจัดประเภทแบบหลายป้ายกํากับแบบหลายคลาส:
- เช่น อาจเป็นสมาชิกชั้นเรียนมากกว่า 1 ชั้น
- ไม่มีข้อจํากัดเพิ่มเติมสําหรับการเป็นสมาชิกชั้นเรียน
- การถดถอยแบบโลจิสติกส์ 1 ครั้งสําหรับแต่ละคลาสที่เป็นไปได้
ตัวเลือก SoftMax
- SoftMax แบบเต็ม
- แรงผลัก จะคํานวณสําหรับชั้นเรียนทั้งหมด
ตัวเลือก SoftMax
- SoftMax แบบเต็ม
- แรงผลัก จะคํานวณสําหรับชั้นเรียนทั้งหมด
- การสุ่มตัวอย่างผู้สมัคร
- คํานวณป้ายกํากับเชิงบวกทั้งหมด แต่ใช้ได้กับตัวอย่างเชิงลบเท่านั้น